論文の概要: Parameter-Efficient Single Collaborative Branch for Recommendation

• arxiv url: http://arxiv.org/abs/2508.03518v1
• Date: Tue, 05 Aug 2025 14:46:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:56.022392
• Title: Parameter-Efficient Single Collaborative Branch for Recommendation
• Title（参考訳）: レコメンデーションのためのパラメータ効率の良いシングルコラボレーティブブランチ
• Authors: Marta Moscati, Shah Nawaz, Markus Schedl,
• Abstract要約: 本稿では、ユーザとアイテムNNモジュール間の重み共有を利用して、共有埋め込み空間における潜在表現を得る新しいRSを提案する。 提案するフレームワークは,1つのコラボレーティブブランチ・フォー・レコメンデーション(CoBraR)で構成されている。
• 参考スコア（独自算出の注目度）: 11.572384740537016
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recommender Systems (RS) often rely on representations of users and items in a joint embedding space and on a similarity metric to compute relevance scores. In modern RS, the modules to obtain user and item representations consist of two distinct and separate neural networks (NN). In multimodal representation learning, weight sharing has been proven effective in reducing the distance between multiple modalities of a same item. Inspired by these approaches, we propose a novel RS that leverages weight sharing between the user and item NN modules used to obtain the latent representations in the shared embedding space. The proposed framework consists of a single Collaborative Branch for Recommendation (CoBraR). We evaluate CoBraR by means of quantitative experiments on e-commerce and movie recommendation. Our experiments show that by reducing the number of parameters and improving beyond-accuracy aspects without compromising accuracy, CoBraR has the potential to be applied and extended for real-world scenarios.
• Abstract（参考訳）: Recommender Systems (RS) は、しばしば、共同埋め込み空間におけるユーザとアイテムの表現と、関連性のスコアを計算するための類似度メートル法に頼っている。 現代のRSでは、ユーザとアイテムの表現を得るモジュールは2つの独立したニューラルネットワーク(NN)から構成されている。 マルチモーダル表現学習において、重み共有は、同じ項目の複数のモーダル間の距離を減らすのに有効であることが証明されている。 これらの手法に着想を得て、ユーザとアイテムNNモジュール間の重み共有を利用して、共有埋め込み空間における潜在表現を得る新しいRSを提案する。 提案されたフレームワークは、単一のコラボレーティブブランチ for Recommendation (CoBraR)で構成されている。 我々は,電子商取引と映画レコメンデーションに関する定量的実験により,CoBraRを評価する。 実験の結果,パラメータ数を削減し,精度を損なうことなく精度を向上することにより,実世界のシナリオに適用・拡張できる可能性が示唆された。

関連論文リスト

• SCoRE: Streamlined Corpus-based Relation Extraction using Multi-Label Contrastive Learning and Bayesian kNN [0.2812395851874055]
  本稿では,モジュール型かつ費用対効果の高い文レベルの関係抽出システムであるSCoREを紹介する。 SCoREは簡単なPLMスイッチングを可能にし、微調整を必要とせず、多様なコーパスやKGにスムーズに適応する。 SCoREは, エネルギー消費を大幅に削減しつつ, 最先端の手法に適合するか, 超越しているかを示す。
  論文  参考訳（メタデータ） (2025-07-09T14:33:07Z)
• Multiview graph dual-attention deep learning and contrastive learning for multi-criteria recommender systems [0.8575004906002217]
  本稿では,各エッジがユーザによる項目の基準値の1つを表すマルチエッジ二部グラフをベースとした,マルチキュートリリア・レコメンダシステムのための新しい表現を提案する。 我々は、各ビューとグラフ全体の正と負のサンプルを区別するために、局所的および大域的コントラスト学習を採用する。 提案手法を実世界の2つのデータセット上で評価し,項目評価予測に基づいて評価を行った。
  論文  参考訳（メタデータ） (2025-02-26T16:25:58Z)
• Online Clustering of Dueling Bandits [59.09590979404303]
  本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。 本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-04T07:55:41Z)
• Lightweight yet Fine-grained: A Graph Capsule Convolutional Network with Subspace Alignment for Shared-account Sequential Recommendation [13.270603718501732]
  共有アカウントシーケンシャルレコメンデーションのためのサブスペースアライメントを備えた軽量グラフカプセル畳み込みネットワーク(LightGC$2$N)を提案する。 カプセルグラフ上のメッセージを注意深く伝播することにより、対話と潜伏ユーザ間のきめ細かいマッチングを容易にする。 4つの実世界のデータセットの実験結果は、LightGC$2$Nが9つの最先端の手法を精度と効率で上回っていることを示している。
  論文  参考訳（メタデータ） (2024-12-18T00:56:16Z)
• LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation [54.396000434574454]
  本稿では,暗黙的行動と明示的意味論的視点を組み合わせた新しい多目的SRフレームワークを提案する。 Implicit Behavioral Interest ModuleとExplicit Semantic Interest Moduleの2つのモジュールが含まれている。 4つの実世界のデータセットの実験は、フレームワークの有効性と実用性を検証する。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• A Multimodal Single-Branch Embedding Network for Recommendation in Cold-Start and Missing Modality Scenarios [10.593268426317609]
  勧告のためのマルチモーダルシングルブランチ埋め込みネットワーク(SiBraR)を利用した,マルチモーダルレコメンデーションのための新しい手法を提案する。 SiBraRは、異なるモダリティ上の同一の単一ブランチ埋め込みネットワークを使用して、インタラクションデータとマルチモーダル側情報をエンコードする。 我々は,SiBraRの勧告がモダリティの欠如のシナリオにおいて正確であることを示し,モデルが異なるモダリティを共有埋め込み空間の同じ領域にマッピング可能であることを示す。
  論文  参考訳（メタデータ） (2024-09-26T14:12:23Z)
• Improved Diversity-Promoting Collaborative Metric Learning for Recommendation [127.08043409083687]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T07:44:48Z)
• The Minority Matters: A Diversity-Promoting Collaborative Metric Learning Algorithm [154.47590401735323]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:02:18Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)
• Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations [85.6250759280292]
  クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。 既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。 本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-17T09:18:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。